基于机器学习的堵漏颗粒粒径推荐方法

井漏是油气勘探领域的重大技术难题。桥接堵漏是最常用的堵漏技术手段，其中架桥颗粒粒径是关键参数，直接影响堵漏成败，目前架桥颗粒粒径的选择主要依赖经验，缺乏科学有效的方法。研究了一种基于机器学习算法的堵漏颗粒粒径推荐方法。该方法基础数据为塔里木盆地库车山前区域126口完钻井的测井、录井及防漏堵漏施工数据，其输入层为基于皮尔森算法筛选出的23项主要参数，输出层为0～750μm、750～1 500μm、1 500～4 000μm、4 000μm以上等4个架桥颗粒粒径区间。训练测试了10种常用的机器学习算法在测井数据、录井数据及测井+录井数据等三类数据集上的准确率，测井+录井数据集上各算法得分普遍高于测井和录井数据集。在测井+录井数据集上，支持向量机和极限随机树算法的F1得分最高，达到0.9以上。基于支持向量机和极限随机树算法的架桥颗粒粒径推荐模型在库车山前一口井上验证2井次，两种算法模型的架桥颗粒粒径预测结果与现场实际堵漏效果一致，在桥堵粒径级配科学优选上具有良好的应用前景。